ADELA MARISOL SIERRA GUERRE

UNIDAD II

PRONOSTICO
DE LA DEMANDA
2.1 IMPORTANCIA ESTRATGICA DEL PRONSTICO.

Qu es un pronstico?

Un pronstico es una prediccin de eventos futuros que se utiliza con propsitos de

planificacin.

Las cambiantes condiciones de los negocios como resultado de la competencia mundial,

el rpido cambio tecnolgico y las crecientes preocupaciones por el medio ambiente han
ejercido presiones sobre la capacidad de una empresa para generar pronsticos precisos.
Tales pronsticos son necesarios como un elemento auxiliar para determinar que recursos
se necesitan, programar los recursos ya existentes y adquirir recursos adicionales. Los
pronsticos precisos permiten que los programadores utilicen de forma eficiente la
capacidad de las maquinas, reduzcan los tiempos de produccin y recorten los
inventarios.

Ejemplo:
El gerente de un restaurante de comida rpida necesita pronosticar el nmero de clientes
que llegaran a diferentes horas del da, y los productos que solicitaran, pues solo as
podr programar correctamente el nmero requerido de cocineros y empleados de
mostrador.
Los mtodos de pronstico suelen basarse en modelos matemticos que utilizan los datos
histricos disponibles, en mtodos cuantitativos extrados de la experiencia
administrativa o en una combinacin de ambos.

2.2 CARACTERISTICAS DE LA DEMANDA.

El reto de pronosticar la demanda del cliente es una tarea difcil por que la demanda de
bienes y servicios suele variar considerablemente.

Por ejemplo, es previsible que la demanda de fertilizante para el csped aumente en los
meses de primavera y verano; sin embargo, en los fines de semana especficos en los que
la demanda es mas intensa, esta depende de factores incontrolables, como el clima. Otros
patrones son ms previsibles. As pues la demanda semanal de cortes de cabello en una
barbera de la localidad, puede ser bastante estable de una a otra semana, aun cuando la
demanda diaria sea mas intensa los sbados por la maana y mas floja los lunes y martes.
Para pronosticar la demanda en este tipo de situaciones es necesario descubrir los
patrones bsicos a partir de la informacin disponible.
 Patrones de demanda.

1. Horizontal, o sea, la fluctuacin de los datos en torno de una media constante

2. de tendencia, es decir, el incremento o decremento sistemtico de la media de la
serie a travs del tiempo.
3. estacional, o sea, un patrn repetible de incrementos o decrementos de la
demanda, dependiendo de la hora del da, la semana, el mes o la temporada;
4. cclico, o sea, una pauta de incrementos o decrementos graduales y menos
previsibles de la demanda, los cuales se presentan en el curso de periodos de
tiempo mas largos (aos o decenios); y
5. aleatorio, es decir, una serie de variaciones imprevisibles de la demanda.

C
CANTIDAD
A
N
T
I
D
A TIEMPO
D TIEMPO
2. De tendencia

1. Horizontal

AO 1

CANTIDAD CANTIDAD
AO 2

E F M AM J J AS O N D 3. Estacional

MESES
1 2 3 4 5 6
Aos 4. Cclico
Factores que afectan la demanda.

Factores externos. Son los factores que estn fuera del alcance de la gerencia. Por
ejemplo reglamentaciones de gobierno que afectan las actividades econmicas, leyes que
limiten la utilizacin de ciertas materias primas
Indicadores tempranos, causaran especulacin y aumento de precio en materias primas
(Ej. Se anuncia escasez de acero y aumento en construccin)
Indicadores coincidentes. Como cifras de desempleo, etc.

Factores internos. Las decisiones internas sobre el diseo de los productos o servicios,
los precios y las promociones publicitarias, el diseo de envases, las cuotas o incentivos
para el personal de ventas, etc.

2.3 METODOS CUALITATIVOS

Cuando se carece de datos histricos adecuados, como en los casos que se presenta un
nuevo producto o se espera un cambio en la tecnologa, las empresas confan en la
experiencia y buen juicio administrativo para generar pronsticos.

Son Utilizados para el desarrollo de pronsticos de ventas. Estos modelos generalmente

se basan en juicios respecto a los factores causales subyacentes a la venta de productos y
servicios en particular y en opiniones sobre la posibilidad relativa que otros factores
causales sigan presentes en el futuro y puedan involucrar diversos niveles de
complejidad, desde encuestas de opinin cientficamente conducidas a estimaciones
intuitivas respecto a eventos futuros.

2.3.1 Consulta a la fuerza de venta

En ocasiones la mejor informacin sobre la demanda futura proviene de las personas que
estn ms cerca de los clientes. Estos pronsticos estn elaborados peridicamente por
miembros de la fuerza de ventas de las compaas. Este enfoque tiene varias ventajas:

- La fuerza de ventas es el grupo que tiene mayores probabilidades de saber que

productos o servicios compraran los clientes en el futuro cercano, y en que
cantidades.
- Los territorios de ventas estn divididos a menudo por distritos o regiones. Esta
informacin puede ser til para propsitos de administracin de inventarios,
distribucin y formacin de fuerza de ventas.
- Los pronsticos de la fuerza de venta pueden combinarse para obtener cifras
correspondientes a ventas regionales o nacionales

Desventajas:
 - Los prejuicios individuales de los vendedores pueden introducir los sesgos en el
pronostico, adems algunas personas son optimistas por naturaleza y otras son
mas cautelosas
- Es posible que el personal de ventas no siempre perciba la diferencia entre lo que
el cliente quiere y lo que el cliente necesita.
- Si la empresa utiliza las ventas individuales como medida del rendimiento, el
personal de ventas puede subestimar sus pronsticos para su propio rendimiento o
beneficio.

2.3.2 Jurado de opinin Ejecutiva.

Cuando se piensa lanzar un nuevo producto o servicio, la fuerza de ventas no siempre es

capaz de hacer estimaciones precisas de la demanda.
La opinin ejecutiva es un mtodo de pronstico en el cual se hace un resumen de las
opiniones, la experiencia y los conocimientos tcnicos de uno o varios gerentes, para
llegar a un solo pronostico.
Estas opiniones tambin pueden modificar un pronstico de ventas vigente cuando hay
que tomar en cuenta sucesos o eventos inesperados (como nuevas promociones, nuevos
productos en el mercado o eventos internacionales no esperados).
La opinin ejecutiva suele tambin utilizarse para elaborar pronsticos tecnolgicos.

Desventajas:

- Este mtodo puede ser costoso por que absorbe el valioso tiempo de los
ejecutivos.
- En algunas ocasiones los pronsticos son no acertados cuando estos sufren
modificaciones independientes.
(Por ejemplo, que el gerente de marketing examina las estimaciones de la fuerza de
ventas y, sintindose un poco mas optimista que los vendedores, incrementa las cifras del
pronostico para asegurarse de que podr disponer de un volumen suficiente de producto.
Despus de recibir los pronsticos del mercado el gerente de manufactura incrementa aun
mas las cifras para que nadie lo culpe de no atender la demanda de los clientes. Cuando
las ventas reales resultan ser mucho mas bajas que los pronsticos, todos culpan a los
dems por el excesivo inventario generado.)

2.3.3 Mtodo Delphi (Delfos)

El mtodo delphi es un proceso para obtener el consenso dentro de un grupo de expertos,

al tiempo que se respeta el anonimato de sus integrantes.
Esta forma de pronostico es til cuando no existen datos histricos sobre los cuales
puedan desarrollarse modelos estadsticos y cuando los gerentes de la empresa no tienen
experiencia en la cual fundamentar proyecciones bien informadas.
Un coordinador enva preguntas a cada uno de los miembros del grupo de expertos
externos, quienes tal vez ignoran quien mas esta participando.
El anonimato es importante cuando alguno de los miembros del grupo tienden a dominar
las discusiones o gozan de un alto grado de respetabilidad en sus respectivas
especialidades.
En un grupo annimo, los miembros tienden a responder y documentar sus preguntas
con mayor libertad.
El coordinador prepara un resumen estadstico de las respuestas adems de un sumario de
los argumentos pertinentes para algunas de ellas. Este informe se enva al mismo grupo
para otra ronde de opiniones y los participantes pueden modificar sus respuestas
anteriores si as lo desean. Las rondas continan hasta llegar a un consenso.
Para cuales casos se utiliza el mtodo Delphi?
Se usa para elaborar pronsticos a largo plazo de la demanda de productos y
proyecciones de ventas para nuevos productos. Tambin se emplee en pronsticos sobre
tecnologa.
Este mtodo se puede utilizar para obtener un consenso en un panel de expertos, ya sea
que estos dediquen su atencin al desenvolvimiento de avances cientficos, cambios en la
sociedad, reglamentos de gobierno y el ambiente competitivo. Los resultados sirven de
gua para el personal de investigacin y desarrollo de una empresa.

Limitaciones del mtodo Delphi:

- El proceso puede prolongarse por mucho tiempo (a veces un ao o mas) En ese

lapso de tiempo, el panel de personas consideradas como expertas puede cambiar,
lo cual provoca confusin en los resultados, por lo menos, alarga todava las este
proceso.
- Es probable que las respuestas sean menos significativas que si los expertos
tuvieran que asumir la responsabilidad que ellas implican.
- Hay pocas evidencias de que los pronsticos delphi tengan un alto grado de
precisin. Sin embargo se reconoce que su calidad es entre regular y buena para la
identificacin de puntos de flexin en la demanda de nuevos productos.
- Los cuestionarios mal planeados conducen a conclusiones ambiguas o errneas.

2.3.4 Investigacin de mercado

La investigacin de mercado consiste en un enfoque sistemtico para determinar el grado

de inters del consumidor por un producto o servicio mediante la creacin y puesta a
prueba de diversas hiptesis por medio de encuestas encaminadas a la recopilacin de
datos. La realizacin de un estudio de mercado incluye:

1. El diseo de un cuestionario el cual solicite informacin econmica y

demogrfica a cada una de las personas entrevistadas, y se conozca el inters de
estas de recibir el producto o servicio.
2. La decisin de cmo aplicar la encuesta, ya sea mediante una charla telefnica,
por correo o en entrevistas personales.
 3. La seleccin de una muestra representativa de familias para la encuesta, que debe
incluir una seleccin al azar dentro del rea de mercado del producto o servicio
propuesto
4. El anlisis de la informacin, aplicando el buen juicio y criterios estadsticos para
interpretar las respuestas, determinar si son adecuadas, asignar mrgenes que
permitan incluir factores econmicos o competitivos no mencionados en el
cuestionario y analizar si la encuesta representa una muestra aleatoria del mercado
potencial.

2.3.5 Analoga de ciclos de vida

Este mtodo liga la estimacin de las ventas futuras de un producto con el conocimiento
de las ventas de un producto similar.
A la estimacin de un producto similar se aplica el conocimiento de las ventas de un
producto similar durante varias etapas de su ciclo de vida. Este mtodo puede ser
particularmente til en el pronstico de ventas de productos nuevos.
2.4 MODELOS CUANTITATIVOS

Los modelos cuantitativos de pronsticos son modelos matemticos que se basan en datos
histricos. Estos modelos suponen que los datos histricos son relevantes para el futuro.
Casi siempre puede obtenerse informacin pertinente al respecto.

2.4.1 Series de Tiempo

Para pronsticos a corto plazo, se usan mucho los mtodos de series de tiempo. Una serie
de tiempo es simplemente una lista cronolgica de datos histricos, para la que la
suposicin esencial es que la historia predice el futuro de manera razonable. Existen
varios modelos y mtodos de series entre los cuales elegir, y que incluyen el modelo
constante, de tendencia y estacional, dependiendo de los datos histricos y de la
comprensin del proceso fundamental.

2.4.1.1 Enfoque simple.

Tambin llamado pronostico emprico. Uno de los mtodos ms sencillos es usar el

ltimo dato como pronostico para el siguiente periodo. Es decir el pronstico de la
demanda para el siguiente periodo es igual a la demanda observada en el periodo actual.
Por ejemplo si la demanda real para el mircoles ha sido 35 clientes, la demanda para el
jueves ser 35 clientes. Si la demanda real del jueves es 42 clientes, la demanda
pronosticada para el viernes ser de 42 clientes.
Este mtodo puede tomar en cuenta una tendencia de la demanda. El incremento (o
decremento) observado en la demanda de los dos ltimos periodos se usa para ajustar la
demanda actual con miras a elaborar un pronostico.
Por ejemplo:
Si la demanda fue de 120 unidades en la ultima semana y de 108 unidades la semana
anterior, el incremento de la demanda fue de 12 unidades en una semana por lo cual el
pronostico para la sig. Semana ser de 120 + 12 = 132 unidades. Si la demanda real de la
semana siguiente resulta ser de 127 unidades, entonces el siguiente pronstico ser de
127 + 7 = 134 unidades.

Ejercicio:

Sacar el pronstico con el enfoque simple para una fabrica de pastas dentales:
a) si la demanda del mes de mayo fue de 380 cajas saque el pronstico del mes de
junio.
b) Si la demanda real del mes de junio fue de 398 cajas cual ser el pronstico
para el mes de julio tomando en cuenta la tendencia.

Respuestas
a) 380 cajas para el mes de junio
b) 416 cajas para el mes de julio
Estimacion del promedio

El patrn horizontal de una serie de tiempo se basa en la media de las demandas. Por lo
tanto el pronostico se obtendr sacando el promedio de una serie de datos a travs del
tiempo.
Por ejemplo:

C
A
J
A
S

Semana

Semana Cajas (con 10 piezas

1 62
c/u)
2 50
3 65
4 48
5 60
6 66
7 58
8 61
9 55
10 60

Si deseramos sacar un pronostico para la semana 11 por medio del promedio bastara
sumar el total de Cajas y dividirlos entre el numero de semanas dando como resultado
58.5 Cajas es decir 585 piezas.
 2.4.1.2 Promedios mviles.

Promedio mvil simple. Se usa para estimar el promedio de una serie de tiempo de
demanda y para suprimir los efectos de las fluctuaciones al azar. Este mtodo resulta mas
til cuando la demanda no tiene tendencias pronunciadas ni fluctuaciones estacinales.
Implica simplemente calcular la demanda promedio para los n periodos mas recientes con
el fin de utilizarla como pronostico del periodo siguiente. Para el pronostico siguiente una
vez conocida la demanda, la demanda mas antigua incluida en el promedio anterior se
sustituye por la demanda mas reciente y luego se vuelve a calcular el promedio.

Es decir :

Ft+1 = Suma de las n ultimas demandas / n = Dt + Dt -1 + Dt--2 + + Dt - n + 1

Donde:
Dt = demanda real en el periodo t
n = numero total de periodos incluidos en el promedio
F t+1 = Pronostico para el periodo t+1

Ejercicio:

a) Tomando los datos de la fbrica de pasta dental elabore un pronstico mvil de 5

semanas para estimar cuantas cajas de pasta dental se necesitaran para la semana 11.

Tenemos que F11 = (60 + 55 + 61 + 58 + 66)/ 5 = 60 cajas

b) Si la demanda real en la semana 11 fue 55 cajas obtener el pronstico mvil de 5

semanas para la semana 12

M12 = (55 + 60 + 55 + 61 + 58 ) / 5 =
El pronstico es de 57.8 cajas

Cual ser el pronostico para la semana 13 en este momento?

Respuesta M13 = 57.8 cajas
Ejemplo

Promedio mvil simple

CCC wishes to forecast the number of incoming calls it receives in a day
from the customers of one of its clients, BMI. CCC schedules the appropriate number of
telephone operators based on projected call volumes.
CCC believes that the most recent 12 days of call volumes (shown on the
next slide) are representative of the near future call volumes.

CCC desea pronosticar el nmero de llamadas entrantes que esto recibe en un da de los
clientes de uno de sus clientes, BMI. CCC programa el nmero apropiado de telefonistas
basados en volmenes de llamada proyectados.
CCC cree que los 12 das ms recientes de volmenes de llamada
(mostrado sobre la siguiente diapositiva) son representativos de los volmenes
de llamada de futuro prximo.

Datos histricos

D llamadas d llamad
1a 159 7a 203
as
2 217 8 195
3 186 9 188
4 161 10 168
5 173 11 198
6 157 12 159

Use el promedio mvil simple con n=3 para pronosticar el nmero de

llamadas para el da 13.

F13 = (159 + 198 + 168)/3 = 175.0 llamadas

Promedio mvil ponderado

Es una variacin del promedio mvil en la que no todos los datos tienen el mismo
peso.
Esto permite que los datos que tienen mayor importancia tengan mayor peso.
Los pesos deben sumar 1
La distribucin de los pesos determina la velocidad de respuesta del pronstico

Ejemplo

Ejemplo:
Tal vez una tienda departamental se de cuenta de que en un periodo de cuatro
meses, el mejor pronstico se deriva utilizando 40% de las ventas reales
 durante el mes ms reciente, 30% de dos meses antes, 20% de tres meses
antes y 10% de hace cuatro meses. Si las ventas reales fueron

Mes 1 Mes 2 Mes 3 Mes 4 Mes 5

100 90 105 95 ?

Formula Ft = W1 At-1 + W2 At-2 + W3 At-3 +. Wn At-n +

W1 = ponderacin dada a la ocurrencia real para el periodo t-1

W2 = ponderacin dada a la ocurrencia real para el periodo t-2
Wn = ponderacin dada a la ocurrencia real para el periodo t-n
n = nmero total de periodos en el pronsticos

por lo tanto el pronstico para el mes 5 sera

F5 = 0.40 (95) + 0.30(105) +0.20 (90) +1.10 (100)

= 38 + 31.5 +18 + 10
= 97.5

Suponga que las ventas para el mes 5 resultaron ser de 110. Entonces, el
pronstico para el mes 6 sera.

F6=

Promedio mvil ponderado

Use el promedio mvil ponderado con 3 datos, asignando pesos de 0.1,

0.3 y 0.6 a los datos (del ms antiguo al ms reciente) para pronosticar el nmero de
llamadas del da 13.
F13 = .1(168) + .3(198) + .6(159) = 171.6 llamadas
Suavizamiento exponencial

Es un mtodo de promedio mvil ponderado muy refinado que permite calcular el

promedio de una serie de tiempo, asignando a las demandas mayor ponderacin que a las
demandas anteriores. Es el mtodo de pronostico formal que se usa mas a menudo, por su
simplicidad y por la reducida cantidad de datos que requiere. A diferencia del mtodo de
promedio mvil ponderado, que requiere n periodos de demanda pasada y n
ponderaciones, la suavizacin exponencial requiere solamente tres tipos de datos: el
pronostico del ultimo periodo, la demanda de ese periodo y un parmetro suavizador, alfa
, cuyo valor flucta entre 0 y 1.0. Para elaborar un pronostico con suavizacin
exponencial, ser suficiente que calculemos un promedio ponderado de la demanda mas
reciente y el pronostico calculado para el ultimo periodo. La ecuacin correspondiente a
este pronostico es:

Ft+1 = (Demanda para este periodo) + (1 ) (Pronostico calculado para el ultimo periodo)
= Dt + ( 1 ) Ft
= Ft + (Dt Ft)

Por lo tanto el pronstico para el periodo siguiente es igual al pronostico del periodo
actual mas una proporcin del error del pronostico correspondiente al mismo periodo
actual.

La constante, , toma valores entre 0 y 1

Una cercana a uno da una alta velocidad de respuesta
Una cercana a cero da una baja velocidad de respuesta

Ejemplo:
Utilizando el ejemplo de CCC con promedio mvil de n=3 calcule el pronostico para la
semana 13 con suavizamiento exponencial y = .10
El pronostico para el dia 13 era de 175 llamadas y la demanda real fue de 170 llamadas
Ft+1 = Dt + ( 1 ) Ft

F13= .1(170) + (.9) 175= 174.5 llamadas

2.4.1.3 Tendencia lineal

Inclusin de una tendencia. (Suavizamiento exponencial con tendencia)

Consideremos ahora una serie de tiempo de la demanda con una demanda con una
tendencia.
En una serie de tiempo, una tendencia consiste en un incremento o decremento
sistemtico de los promedios de la serie a travs del tiempo
En este enfoque, las estimaciones para el promedio y la tendencia son suavizadas, para lo
cual se requieren solamente dos constantes de suavizacin. Calculamos el promedio y la
tendencia para cada periodo

At = (Demanda en este periodo) + (1- ) (Promedio + Estimacin de la tendencia en el

ultimo periodo)

= Dt + (1- ) (At 1 + Tt -1)

Tt = (promedio de este periodo-Promedio del ultimo periodo) + (1-) (Estimacin de la

tendencia en el ultimo periodo)

= ( At At -1) + (1 ) Tt -1
Ft +1= At + Tt

Donde: At= promedio exponencialmente suavizado de la serie en el periodo

Tt= Promedio exponencialmente suavizado de la tendencia en el periodo t
= parmetro de suavizacin para el promedio, con un valor entre 0 y 1
= parmetro de suavizacin para la tendencia, con un valor entre 0 y 1
Ft+1= pronostico para el periodo t + 1

Las estimaciones del promedio y la tendencia correspondientes al ltimo periodo, que se

requieren en el primer pronstico, pueden obtenerse a partir de datos del pasado o basarse
en una estimacin aproximada si no existen datos histricos. Para encontrar los valores de
 y , es frecuente que el analista ajuste sistemticamente a y hasta que obtenga los
errores del pronstico mas bajos posibles.
Ejemplo:

Ejemplo:
Medanalysis, Inc. Ofrece servicios de laboratorio clnico a los pacientes de Health
Providers, una agrupacin de 10 mdicos familiares asociados que brindan un nuevo
programa de mantenimiento de la salud. Los gerentes estn interesados en pronosticar el
numero de pacientes que van a requerir anlisis de sangre cada semana. Es preciso
comprar suministros y tomar una decisin acerca del nmero de muestras sanguneas que
serian enviadas a otro laboratorio, para compensar las limitaciones de la capacidad del
laboratorio principal. Las informaciones recientes acerca de los efectos nocivos que
provoca el colesterol en el corazn han generado un incremento en las solicitudes de
anlisis ordinarios de sangre en todo el pas. En promedio, Medanalysis realizo 28
anlisis de sangre cada semana durante las cuatro ultimas semanas. La tendencia en ese
periodo fue de tres pacientes adicionales por semana. La demanda en esta semana fue de
27 analisis de sangre . Usaremos 0.20 y = 0.20 para calcular el pronostico
correspondiente a la semana prxima.

Solucion
Ao= 28 pacientes y tambin To = 3 pacientes

El pronostico para la semana 2 ( la semana siguiente) es:

= Dt + (1- ) (At 1 + Tt -1)

A1= 0.20(27) + 0.80(28+3) = 30.2

T1= 0.20(30.2-28) + 0.80 (3) = 2.8

F2 = 30.2 + 2.8 = 33 analisis de sangre

Si el numero real de analisis sanguineos requeridos en la semana2 resultara ser 44,

entonces el pronostico actualizado para la semana 3 seria el siguiente:

A2 = 0.20(44) + 0.80(30.2 +2.8) = 35.2 = ( At At -1) + (1 ) Tt -1

T2 = 0.2(35.2 30.2) + 0.80(2.8) = 3.2

F3 = 35.2 + 3.2 = 38.4, es decir 38 analisis de sangre.
2.4.2 Relaciones Causales.

- Se emplean cuando se tienen datos histricos y la relacin entre el factor que

intenta pronosticar y otros factores externos o internos (ej. Actividades del
gobierno o promociones publicitarias).
- Las relaciones causales expresan se expresan en trminos matemticos y suelen
ser en ocasiones complejas
- Proveen instrumentos de pronostico refinados y son excelentes para prever los
puntos de flexin de la demanda y para la elaboracin de pronsticos a largo
plazo.

2.4.2.1 Regresin Lineal Simple

El anlisis de regresin lineal establece una relacin entre una
variable dependiente y una o ms variables independientes.
En la regresin lineal simple hay solamente una variable independiente.
Si los datos estn constituidos por una serie de tiempo, la variable independiente
es el tiempo.
La variable dependiente es cualquier cosa que nosotros queramos pronosticar.
Ecuacin de regresin
Este modelo toma la forma:

Y = a + bX

Y = variable dependiente
X = variable independiente
a = intercepto con eje Y
b = pendiente de la lnea
Constantes a y
b
Estas constantes se calculan:

a = y - bx
b=
xy - n(y)(x)
x - n(x)
2 2
 Una vez que se han calculado los valores de a y b, se puede sustituir cualquier
valor futuro de X para pronosticar el valor correspondiente de Y.

Ejemplo
Regresin Lineal Simple
At a small regional college enrollments have grown steadily over the past
six years, as evidenced below. Use time series regression to forecast the student
enrollments for the next three years.

Students Students
Ye Enrolled Year Enrolled
1
ar (1000s)2 4
(1000s) 3.2
2 2. 5 3.3
3 2. 6 3.4
.
2
x y x xy
1 2.5 1 2.5
2 2.8 4 5.6
3 2.9 9 8.7
4 3.2 1 12.8
5 3.3 26 16.5
6 3.4 35 20.4
2
x=21 y=18.1 x =91 xy=66.5

Y = 2.387 + 0.180X

Y7 = 2.387 + 0.180(7) = 3.65 or 3,650 students

Y8 = 2.387 + 0.180(8) = 3.83 or 3,830 students
Y9 = 2.387 + 0.180(9) = 4.01 or 4,010 students

Note: Enrollment is expected to increase by 180 students per year.

Regresin Lineal Simple

 La regresin lineal tambin se puede usar cuando la variable independiente no es
el tiempo.
En este caso en lugar de hablar de series de tiempo estamos manejado la regresin
lineal como un modelo de pronsticos causal.

Ejemplo: Railroad Products Co.

Modelo Causal
The manager of RPC wants to project the firms sales for the next 3 years.
He knows that RPCs long-range sales are tied very closely to national freight car
loadings. On the next slide are 7 years of relevant historical data.
Develop a simple linear regression model between RPC sales and national
freight car loadings. Forecast RPC sales for the next 3 years, given that the rail industry
estimates car loadings of 250, 270, and 300 million.

RPC Sales Car

Yea ($millions Loadings
(millions)
1r )
9.5 120
2 11.0 135
3 12.0 130
4 12.5 150
5 14.0 170
6 16.0 190
7 18.0 220

2
x y x xy

120 9.5 14,400 1,14

135 11. 18,225 1,48
0
130 0
12. 16,900 5
1,56
150 0
12. 22,500 0
1,87
170 5
14. 28,900 5
2,38
190 0
16. 36,100 0
3,04
220 0
18. 48,400 0
3,96
0 0
1,1 93. 185,425 15,4
15 0 40
 Y = 0.528 + 0.0801X

Y8 = 0.528 + 0.0801(250) = $20.55 million

Y9 = 0.528 + 0.0801(270) = $22.16 million
Y10 = 0.528 + 0.0801(300) = $24.56
million

Note: RPC sales are expected to increase by $80,100 for each additional million national
freight car loadings.

INVESTIGACION

Pronstico de la Demanda

Introduccin
Estimados de la demanda para productos y servicios son el punto de partida
para toda la planeacin en la administracin de operaciones.
Los equipos administrativos se basan parcialmente en los estimados de la
demanda para desarrollar sus pronsticos de ventas.
Estos pronsticos forman parte de los datos que la empresa usa para determinar su
estrategia de negocios y el pronstico de sus recursos de produccin.

Pronsticos en el contexto del plan de negocios

Para qu?
Planeacin de instalacin Puede tomar 5 aos disear y construir una
instalacin o disear e implementar un nuevo sistema de produccin.
Planeacin de Produccin Las demandas de productos cambian de mes a mes y
puede tomar varios meses cambiar la capacidad del proceso de produccin.
Programacin de Mano de Obra La demanda de servicios cambian de hora a
hora y se debe desarrollar programas de trabajos semanales por adelantado.

Administracin de la demanda
El propsito de la administracin de la demanda es coordinar y controlar todas las
fuentes de demanda, de forma que el sistema productivo se use eficientemente y los
productos se entreguen a tiempo

Demanda independiente
 Tomar un papel activo para influenciar la demanda
 Tomar un papel pasivo y simplemente responder a la demanda.

Leyes Fundamentales
1a ley. Los pronsticos siempre estn mal
2a ley. Entre ms grande sea el horizonte del pronstico mayor ser el error
Entonces pronosticar para qu?
Mejor toma de decisiones
Ayuda para la planeacin
No hay un mejor mtodo

Mtodos de pronsticos
Mtodos cualitativos
Mtodos cuantitativos

Mtodos Cualitativos
Generalmente se basan en juicios o en factores causales relacionados con un
producto o servicio en particular
No requiere datos histricos, por lo que son tiles para nuevos productos o
servicios.
Los enfoques varan en sofisticacin desde encuestas conducidas cientficamente
a pura intuicin.
El enfoque apropiado depende de la etapa del ciclo de vida en que el producto se
encuentre.

Mtodos Cualitativos
Juicio Ejecutivo intuicin
Panel consensus
Mtodo Delphi
Grass Roots
Entrevistas a clientes
Analoga histrica
Investigac
in de
Mercado

estudios
cientficos

Mtodos Cuantitativos
Se basan en la suposicin de que las fuerzas que generaron la demanda en el
pasado, generaran la demanda futura
El anlisis de los patrones de demanda en el pasado proveen una buena base para
pronosticar la demanda en el futuro.
La mayor parte de los mtodos cuantitativos pertenecen a esta categora.
Series de tiempo
Serie de datos y periodo
Patrn recurrente a travs del tiempo
Explicativos
El valor de cierta variable es funcin de una o ms variables.
Mayor cantidad de datos
Anlisis de Series de Tiempo
Una Serie de Tiempo es un conjunto de nmeros que siguen una secuencia u
orden determinados. Ejemplo la demanda histrica.
El anlisis de estas series de tiempo identifican patrones.
Una vez que el patrn se identifica, se puede usar para desarrollar un pronstico.

Componentes de una Serie de Tiempo

Tendencia.
Ciclo patrn de datos que puede cubrir varios aos antes de que se repita.
Estacionalidad patrn de datos que se repite cada ao o en un perodo ms corto.
Fluctuaciones aleatorias (ruido) resultan de variaciones aleatorias o causas
desconocidas

Patrones estacionales

Length of Number
Time Before Length of
Pattern Is of Season
Repeated Seaso s in
Year Quarter 4
Year Month 1
Year Week 2
52
Month Day 28-31
Week Day 7

Mtodos Cuantitativos
Regresin Lineal
Promedio mvil
Simple
Ponderado
Suavizamiento exponencial
Simple
Suavizamiento exponencial con tendencia o suavizamiento exponencial doble
Suavizamiento exponencial con tendencia y estacionalidad.

Pronsticos a Largo Plazo

Horizonte de planeacin mayor a un ao.
Necesario para apoyar decisiones estratgicas sobre planeacin de
productos, proceso e instalaciones.

Coeficiente de Correlacin (r)

El coeficiente de correlacin, r, explica la importancia relativa de la relacin entre
x y y.
 El signo de r muestra la direccin de la relacin.
el valor absoluto de r muestra la fuerza de la relacin
El signo de r es siempre el mismo signo de b
r puede tomar cualquier valor entre -1 y +1.
Interpretacin de algunos valores de r:
-1 relacin negativa perfecta (cuando uno sube el otro baja)
+1 relacin positiva perfecta (cuando uno sube el otro sube)
0 no hay relacin entre x y y.
+0.3 relacin positiva dbil.
-0.8 relacin negativa fuerte.
r se calcula como: n xy x y
n x 22
r ( x)22 n y 22 ( y)22

2
Coeficiente de Determinacin (r )
2
El coeficiente de determinacin, r , es el cuadrado del coeficiente de correlacin.
2
La modificacin de r a r nos permite movernos de una medida subjetiva de
relacin a una medida ms especfica.
2
r ilustra cunto de la variacin total de y se debe a x o a la tendencia de la lnea.

Ejemplo
Coeficiente de correlacin

2 2
x y x xy y

120 9.5 14,400 1,140 90.25

135 11. 18,225 1,485 121.00
130 0
12. 16,900 1,560 144.00
150 0
12. 22,500 1,875 156.25
170 5
14. 28,900 2,380 196.00
190 0
16. 36,100 3,040 256.00
220 0
18. 48,400 3,960 324.00
0
1,1 93. 185,425 15,440 1,287.
15 0 50

r = .9829

Ejemplo
Coeficiente de determinacin

2 2
r = (.9829) = .966
96.6% of the variation in RPC sales is explained by national freight car loadings.
Pronsticos de rango
Los pronsticos para periodos futuros son solo estimados y estn sujetos a errores.
Una manera de manejar la incertidumbre es desarrollar el mejor pronstico
posible y los rangos dentro de los cuales es probable que caigan los datos
reales.
Los rangos de un pronstico estn definidos por los lmites de un intervalo de
confianza.
Los lmites del pronstico se estiman como:

Lmite superior = Y + t(syx)

Lmite inferior = Y - t(syx)
donde:
Y = pronstico
t = nmero de desviaciones estndar
syx = desviacin estndar del pronstico

yestndar
La desviacin 2 - a y se xy como:
- bcalcula
n-2

syx =

Ejemplo
Ranging Forecasts
Recall that linear regression analysis provided a forecast of annual sales
for RPC in year 8 equal to $20.55 million.
Set the limits (ranges) of the forecast so that there is only a 5 percent
probability of exceeding the limits .0801(15,
1287.5 .528(93) by chance.440)
Ranging Forecasts 7 2
Step 1: Compute the standard error of the forecasts, syx.

syx .5748

Step 2: Determine the appropriate value for t.

n = 7, so degrees of freedom = n 2 = 5.
Area in upper tail = .05/2 = .025
Appendix B, Table 2 shows t = 2.571.

Step 3: Compute upper and lower limits.

Upper limit = 20.55 + 2.571(.5748)

= 20.55 + 1.478
= 22.028
Lower limit = 20.55 - 2.571(.5748)
 = 20.55 - 1.478
= 19.072
We are 95% confident the actual sales for year 8 will be between $19.072 and
$22.028 million.

Mtodos de descomposicin
Xt = f(St,Tt,Ct,Rt)
Donde :
Xt = valor real en periodo t
St= Componente estacional en t
Tt= Componente tendencial en t
Ct= Componente cclico en t
Rt= Componente aleatorio en t

Mtodos aditivo y multiplicativo

Forma aditiva Xt =
St+Tt+Ct+Rt
Forma multiplicativa
Xt = St*Tt*Ct*Rt

Series de tiempo con estacionalidad

Seleccionar un conjunto de datos representativo.
Desarrollar un ndice para cada estacin.
Usar el ndice para desestacionalizar los datos.
Usar anlisis de regresin para calcular pronstico.
Usar los ndices para estacionalizar el pronstico.
Ejemplo.
An analyst at CPC wants to develop next years quarterly forecasts of sales
revenue for CPCs line of Epsilon Computers. She believes that the most recent 8
quarters of sales (shown on the next slide) are representative of next years sales.
Datos histricos
Year Qtr. ($mil.) Year Qtr. ($mil.)

1 1 7.4 2 1 8.
1 2 6.5 2 2 7.
3
1 3 4.9 2 3 4
5.
1 4 16. 2 4 4
18
1 .0
Clculo de los ndices estacionales

Ventas trimestrales
A Q1 Q2 Q3 Q4 Tot
1o 7.4 6.5 4.9 16. al
34.
2 8.3 7.4 5.4 1
18. 9
39.
Totales 15. 13. 10.3 0
34. 1
74.
7 9 1 0
Prom 7. 6.95 5.15 17.0 9.
Trim. 85 5 25
 Ind estac. . .751 .557 1.84 4.0
84 3 00
Datos sin estacionalidad

Ventas trimestrales
a Q1 Q2 Q3 Q
o1 8.7 8.6 8.80 48.
2 2
9.7 6
9.8 9.69 74
9.
8 5 77
Anlisis de regresin

2
Ao. Tri x y x xy
m.
1 1 1 8.7 1 8.72
1 2 2 8.6
2 4 17.3
1 3 3 6
8.8 9 2
26.4
1 4 4 0
8.7 16 0
34.9
2 1 5 4
9.7 25 6
48.9
2 2 6 8
9.8 36 0
59.1
2 3 7 59.6 49 067.8
2 4 8 9
9.7 64 3
78.1
7 6
Total 36 74. 20 341.
Y = 8.357 + 0.199X

Clculo de pronsticos sin estacionalidad

Y9 = 8.357 + 0.199(9) = 10.148

Y10 = 8.357 + 0.199(10) = 10.347
Y11 = 8.357 + 0.199(11) = 10.546
Y12 = 8.357 + 0.199(12) = 10.745

Estacionalizar los datos

e Pron. Pron.
A Tri s sin est. Con
o. m. t. est.
3 1 . 10.148 8.62
3 2 .
84 10.347 7.77
3 3 75
. 10.546 5.87
3 4 55
1.8 10.745 19.80
43
Mtodo Multiplicativo
Al hacer promedios mviles por un ao eliminamos la estacionalidad y la aleatoriedad

Trimestr Observacin Promedio

e Mvil
1 3017.60
2 3043.54
3 2094.35 2741.334
4 2809.84 2805.632
5 3274.80 2835.569
6 3163.28 2840.558
7 2114.31 2894.240
8 3024.57 2907.411
9 3327.48 2989.961
10 3493.48 3071.367

Observacin
T*C*S*R

Promedio mvil

T*C

Tri Obser Promed Razn

m io
Mvil
1 3017.

60
2 3043.

54
3 2094. 2741.33 76.39
35 4 9
4 2809. 2805.63 100.1

84 2 50
5 3274. 2835.56 115.4

80 9 90
6 3163. 2840.55 111.3

28 8 61
7 2114. 2894.24 73.05

31 0 2
8 3024. 2907.41 104.0

57 1 30
9 3327. 2989.96 111.2

48 1 88
10 3493. 3071.36 113.7

48 7 44

Razn
T*C*S*R

T*C
 = S*R

Estacionalidad
El promedio por trimestre elimina la aleatoriedad

1 112.7
o.2 109.82

o.3
8
76.2
o.4 103.8
8
o. 6
Razones por trimestre
Ao 1o. 2o. 3o. 4o.
1977 76.40 100.15
1978 115.49 111.36 73.05 104.03
1979 111.29 113.74 76.54 106.51
1980 111.02 110.82 72.16 103.67
1981 115.01 108.44 76.71 102.39
1982 114.78 108.61 75.70 107.94
1983 112.75 107.10 75.32 106.15
1984 111.34 105.16 76.03 105.69
1985 111.53 109.50 78.73 102.72
1986 111.81 110.78 77.26 104.16
1987 110.89 111.45 77.17 99.03
1988 114.84 111.78 80.26

Estacionalidad
Ajustando para que sume 400

400/402.74=0.9932

1 111.9
o.2 109.15

o.3
3
75.7
o.4 103.1
6
o. 6

Tendencia
En la columna de promedios mviles tenemos la tendencia multiplicada por el
ciclo.
Si la tendencia es lineal podemos separarla ajustndola a una lnea recta por
medio de una regresin lineal.
Para los datos que estamos manejando y usando t como variable independiente y
T*C como la independiente obtenemos:
T(t) = a + bt = 2735.85 + 38.96t

Ciclo
 Una vez calculada la tendencia, el ciclo lo podemos obtener al dividir T*C/T
Por ejemplo:
Perio T*C T C

do
10 98.2
20

30

40

Pronstico
Para obtener el pronstico del periodo 49 calculamos:
T(49) = 4644.694
49 corresponde al primer trimestre, por lo que su ndice estacional es 111.95
El factor cclico para el periodo 48 es de 98, como no tenemos ms informacin
podemos usar este dato como estimacin para el periodo 49.
Por lo tanto
X(49) = 4644.649*98/100*111.95/100 = 5095.69

Pronsticos a corto plazo

Horizonte de planeacin de unos das a unas semanas
Ciclos, estacionalidad y tendencia pueden tener poco efecto.
Las fluctuaciones aleatorias son el principal componente de los datos.

Evaluacin de mtodos de pronsticos

Se usan tres caractersticas para evaluar un modelo de pronsticos de corto plazo:
Reduccin de ruido.
Velocidad de respuesta.
Exactitud

Error en el pronstico

Monitoreo y control del pronstico

 Tracking Signal (TS)
El TS mide el error acumulado del pronstico en n periodos en trminos del
MAD

Si el pronstico es adecuado TS debe ser cercano a cero

Si TS es positivo debemos incrementar el pronstico
Si TS en negativo debemos disminuir el pronstico

Mtodos de pronstico a corto plazo

Promedio mvil simple
Promedio mvil ponderado
Suavizamiento exponencial simple
Suavizamiento exponencial con tendencia
Suavizamiento exponencial con tendencia y estacionalidad.

Criterios para seleccionar un mtodo de pronsticos

Costo
Exactitud
Datos disponibles
Horizonte de planeacin
Naturaleza de los productos y servicios
Velocidad de respuesta y reduccin de ruido.

Costo y exactitud
Generalmente mayor exactitud implica mayor costo.
Los mtodos con mayor exactitud tienen algunas desventajas:
Usan ms datos

Los datos son difciles de obtener

Los modelos son ms caros de desarrollar, implementar y operar.

Toman mayor tiempo para usarse

Software de Pronsticos
Algunos ejemplos son:
Forecast Pro
Autobox
SmartForecasts for Windows
SAS
SPSS
SAP
POM Software Libary

Algunos datos tiles

Consumer Confidence Index
Consumer Price Index (CPI)
Gross Domestic Product (GDP)
 Housing Starts
Index of Leading Economic Indicators
Personal Income and Consumption
Producer Price Index (PPI)
Purchasing Managers Index
Retail Sales

unidad 2- Pronostico de la demanda

2 PRONOSTICOS DE LA DEMANDA
Pronosticar es el arte y ciencia de predecir acontecimientos futuros
Las decisiones empresariales siempre se toman con informacin insuficiente y con un
margen de incertidumbre mayor o menor, dependiendo del tiempo y los recursos que se
destinan a la bsqueda y el anlisis de la informacin. Debemos entonces establecer
algunas suposiciones y actuar.
Sabemos que nunca ocurrir exactamente lo pronosticado; entonces, para qu
pronosticar?
Porque necesitamos una cierta base -aunque sea mnima-, un criterio, una justificacin
para el curso de accin que decidimos tomar. Porque a partir del pronstico que
generemos, estaremos decidiendo dnde alocar nuestros recursos financieros,
tecnolgicos y humanos.

2.1 IMPORTANCIA ESTRATGICA DEL PRONSTICO

El pronstico es la base de la planeacin corporativa a largo plazo. En las reas
funcionales de finanzas y contabilidad, los pronsticos proporcionan el fundamento para
la planeacin de presupuestos y control de costos.
El marketing depende del pronstico de ventas para planear productos nuevos; el
personal de produccin y operaciones utiliza los pronsticos para tomar decisiones
peridicas que comprenden la seleccin de procesos, la planeacin de las capacidades y
la distribucin de las instalaciones, as como para tomar decisiones continuas cerca de la
planeacin de la produccin, la programacin y el inventario.
El pronstico de la demanda consiste en estimar las ventas de un producto durante un
determinado periodo futuro.
-
.
2.2 CARACTERSTICAS DE LA DEMANDA
Satisfacer las necesidades del cliente y que el negocio o empresa prospere comercial y
financieramente. El mercado est sujeto a diversos factores de diferente ndole, algunos
de ellos son controlables por la empresa y otros no tanto.
Este se divide en distintos factores:
1.
Estacionalidad: refleja una proyeccin de la demanda en un periodo especfico del ao.
2.
Tendencia: determinar y medir las tendencias del precio para asi poder establecer y
manejar operaciones.
3.
Variacin aleatoria: altas y bajas del producto (Venta), sin que esta se pueda predecir con
exactitud; lo conveniente ser monitorearlo y prepararse con inventario para amortiguar
el efecto de la demanda.
4.
Variacin cclica: las oscilaciones de larga duracin alrededor de la curva de tendencia,
esto quiere decir un ascenso y descenso de una serie de tiempo en periodos mayores de
1 ao.
2.3 MTODOS CUALITATIVOS
Produce datos descriptivos de las propias palabras de las personas y la conducta
observada.
Tipos de mtodos:
2.3.1
Consulta de fuerza de ventas.

es un sistema de informacin que se usa marketing y administracin que automatizan

algunas funciones de ventas. Estimacin de las reas de ventas como un todo. Costo de
bajo a medio. Pronsticos de ventas, administracin de rdenes y conocimiento del
producto. (Lleva un historial el cual es muy importante).
2.3.2
Opinin ejecutiva.

Los expertos de alto nivel se agrupan con modelos estadsticos. Costo de bajo a medio.
Las posiciones esconden intereses personales, o no se mencionan por contrariar a la
mayora. Gerentes de mercadotecnia, finanzas y produccin preparan pronsticos a corto
y mediano plazo.
2.3.3
Mtodo Delphi.
Su objetivo es la adquisicin de un consenso basado en la discusin entre expertos. Es
un proceso repetitivo. Consta de estos pasos:

Elaboracin de cuestionario

Revisar informacin

Realizar otro cuestionario

Conclusiones a partir de la explotacin estadstica de los datos obtenidos.

Es a largo plazo.

Su costo va de medio a alto.

2.3.4 Investigacin del mercado:
Proceso de recopilacin, procesamiento y anlisis de informacin.
Plan estratgico, preparar el lanzamiento del producto o soportar el desarrollo de los
productos lanzados.
Averiguar en el consumidor;
Hbitos
Necesidades
Motivaciones
Gustos
Deseos
2.3.5 Analoga Histrica:
utiliza un ciclo de vida de un producto utilizado para lanzamientos de productos nuevos.
Informacin basada en productos similares.

2.4 MTODOS CUANTITATIVOS

Los
mtodos cuantitativos o tambin llamados causales, se emplean cuando se dispone de
datos histricos y la relacin entre el factor que se intenta pronosticar y otros factores
externos o internos puede identificarse. Las relaciones de ese tipo se expresan en
trminos matemticos y suelen ser muy complejas.
2.4.1 Modelos de series de tiempo.

tcnica de pronstico que emplea una serie de datos puntuales histricos para obtener el
pronstico.
-Modelos asociativos: los modelos causales como la regresin lineal, incorporan las
variables o factores que pueden influir en la cantidad por pronosticar.
-Pronsticos de series de tiempo: se basa en una secuencia de datos puntuales
separados a intervalos iguales.
-Descomposicin de una serie de tiempo: una serie de tiempo tiene 4 componentes;

Las tendencias

La estacionalidad

Los ciclos

Las variaciones aleatorias

2.4.1.1 Enfoque simple
Supone que la demanda en el prximo periodo ser igual a la demanda del periodo ms
reciente. Es la mejor prediccin para los precios de insumos, acciones, etc. que cotizan.
Porque si el mercado realmente creyera que en un tiempo valdr ms, comprara tanto
hoy que hara llevar el precio a ese valor esperado. Por ejemplo, si hoy la accin de
Microsoft cotiza a U$S 20, cunto predice que va a valer maana?: U$S 20. Y si en
realidad maana vale U$S 25, Cunto dira que vale pasado maana? : U$S 25.
2.4.1.2 Promedios mviles
Los promedios mviles son muy tiles. Los promedios mviles indican el promedio del
precio en un punto determinado de tiempo sobre un perodo de tiempo definido. Se
llaman mviles ya que reflejan el ltimo promedio, mientras que se adhieren a la misma
medida de tiempo.
Los promedios mviles simples
, es un mtodo que se utiliza para estimar el promedio de una serie de tiempo de demanda
y, por lo tanto, para suprimir los efectos de las fluctuaciones al azar. Este mtodo resulta
ms til cuando la demanda no tiene tendencias pronunciadas ni influencias
estacionales. La aplicacin de un modelo de promedio mvil implica simplemente calcular
la demanda promedio para los n periodos ms recientes, con el fin de usarla como
pronstico para el siguiente periodo.

Promedio mvil ponderado:

en el mtodo de promedio mvil simple, todas las demandas tienen la misma ponderacin
en el promedio, es decir, 1/n. En el mtodo de promedio mvil ponderado, cada una de las
demandas histricas que intervienen en el promedio puede tener su propia ponderacin.
Ejemplo; en un modelo cn promedio mvil ponderado de tres periodos, al periodo ms
reciente se le puede asignar una ponderacin de 0.50, al segundo se le asigna una
ponderacin de 0.30, y al tercero una de .20. El promedio se obtiene multiplicando la
ponderacin de cada periodo por el valor correspondiente a dicho periodo y finalmente
los productos:
2.4.1.3 Suavizacin exponencial
El mtodo de suavizacin exponencial es un mtodo de promedio mvil ponderado muy
refinado que permite calcular el promedio de una serie de tiempo, asignando a las
demandas recientes mayor ponderacin que a las demandas anteriores. Es el mtodo de
pronstico formal que se usa ms a menudo, por su simplicidad y por la reducida
cantidad de datos que requiere. Este mtodo solo requiere 3 tipos de datos: el pronstico
del ltimo periodo, la demanda de ese periodo y un parmetro suavizador, alfa
, cuyo valor flucta entre 0 y 1.0.
La siguiente es una ecuacin equivalente:
F t+1 = F t +
(Dt Ft)

Esta forma de la ecuacin muestra que el pronstico para el periodo siguiente es igual al
pronstico del periodo actual ms una proporcin del error del pronstico
correspondiente al mismo periodo actual.

La suavizacin exponencial tiene las ventajas de ser sencilla y requerir un mnimo de

datos. Su utilizacin es econmica y, por lo tanto, muy atractiva para las empresas que
realizan miles de pronsticos para cada periodo de tiempo.

2.4.1.4 Tendencia Lineal

Consiste en conocer si los valores absolutos o relativos de un concepto han crecido o
disminuido en el tiempo, partiendo de un periodo considerado base. Puede referirse a
cifras histricas o la determinacin de cifras estimadas para el futuro.

2.4.2 Relaciones causales

2.4.2.1 Regresin simple

En el Modelo de Regresin es muy importante identificar cul es la variable dependiente y
cul es la variable independiente.
En el Modelo de
Regresin Simple se establece que Y es una funcin de slo una variable independiente,
razn por la cual se le denomina tambin Regresin Divariada porque slo hay dos
variables, una dependiente y otra independiente y se representa as:
Y = f (X)
"Y est regresando por X"
ANLISIS ESTADSTICO: REGRESIN LINEAL SIMPLE
En el estudio de la relacin funcional entre dos variables poblacionales, una variable X,
llamada independiente, explicativa o de prediccin y una variable Y, llamada dependiente
o variable respuesta, presenta la siguiente notacin:
Y=a+bX+e
Donde:
a es el valor de la ordenada donde la lnea de regresin se intercepta con el eje Y.
b es el coeficiente de regresin poblacional (pendiente de la lnea recta)
e es el error
SUPOSICIONES DE LA REGRESIN LINEAL
Los valores de la variable independiente X son fijos, medidos sin error.
La variable Y es aleatoria
Para cada valor de X, existe una
distribucin normal de valores de Y (subpoblaciones Y)
Las variancias de las subpoblaciones Y son todas iguales.
Todas las medias de las subpoblaciones de Y estn sobre la recta.
Los valores de Y estn normalmente distribuidos y son estadsticamente independientes.
ESTIMACIN DE LA ECUACIN DE REGRESIN MUESTRAL
Consiste en determinar
los valores de "a" y "b " a partir de la muestra, es decir, encontrar los valores de a y b con
los datos observados de la muestra. El mtodo de estimacin es el de Mnimos
Cuadrados, mediante el cual se obtiene:
Luego, la ecuacin de regresin muestral estimada es:
Que se interpreta como:
a es el estimador de a
Es el valor estimado de la variable Y cuando la variable X = 0
b es el estimador de b , es el coeficiente de regresin
Est expresado en las mismas unidades de Y por cada unidad de X. Indica el nmero de
unidades en que vara Y cuando se produce un
cambio, en una unidad, en X (pendiente de la recta de regresin).
Un valor negativo de b sera interpretado como la magnitud del decremento en Y por cada
unidad de aumento en X.
2.4.2.2 Regresin mltiple
Este tipo se presenta cuando dos o ms variables independientes influyen sobre una
variable dependiente. Ejemplo: Y = f(x, w, z).
Utilizamos regresin mltiple cuando estudiamos la posible relacin entre varias
variables independientes y otra variable dependiente.

Al aplicar el anlisis de regresin mltiple lo ms frecuente es que tanto la variable

dependiente como las independientes sean variables continuas medidas en escala de
intervalo o razn. No obstante, caben otras posibilidades: (1) tambin podremos aplicar
este anlisis cuando relacionemos una variable dependiente continua con un conjunto de
variables categricas; (2) o bien, tambin aplicaremos el anlisis de regresin lineal
mltiple en el caso de que relacionemos una variable dependiente nominal con un
conjunto de variables continuas.

La anotacin matemtica del modelo o ecuacin de regresin lineal mltiple es la que

sigue:
Y=a+b
1x1 + b2x2 + ... + bnxn + e

presente = a + b
1pasado + b2futuro + e
en donde:
Y es la variable a predecir;
a, b
1x1, b2x2... bnxn, son parmetros desconocidos a estimar;
y e es el error que cometemos en la prediccin de los par- metros.
Aplicaciones de la regresin mltiple

Es cierto que la regresin mltiple se utiliza para la prediccin de respuestas a partir de

variables explicativas. Pero no es sta realmente la aplicacin que se le suele dar en
investigacin. Los usos que con mayor frecuencia encontraremos en las publicaciones
son los siguientes:
Identificacin de variables explicativa
Nos ayuda a crear un modelo donde se seleccionen las variables que pueden influir en la
respuesta, descartando aquellas que no aporten informacin.
Deteccin de interacciones
entre variables independientes que afectan a la variable respuesta.
Identificacin de variables confurosas:
es un problema difcil el de su deteccin, pero de inters en investigacin no
experimental, ya que el investigador frecuentemente no tiene control sobre las variables
independientes.

2.5 Monitoreo y control de los pronsticos

Los especialistas siempre estn tratando de hacer mejores estimaciones acerca de lo que
ocurrir en el futuro al afrontar la incertidumbre. El propsito fundamental de los
pronsticos es hacer buenas estimaciones en las cuales basar los modelos para la toma
de decisiones. Los pronsticos constituyen la problemtica fundamental dentro de la
gestin de la actividad de una empresa debido a la complejidad de los problemas
encontrados cuando se pronostica y a su impacto sobre todas las decisiones de la
empresa.
Una situacin muy particular presenta la previsin de la demanda de piezas de repuesto,
dada la gran cantidad de surtidos que se deben proporcionar, el elevado grado de
variabilidad en la demanda de estas producciones y la importancia que posee la
disponibilidad de estas piezas para el equipamiento que las utiliza, ya que la
disponibilidad en tiempo de las mismas garantiza la continuidad del proceso productivo
en el cual est inmiscuido el equipamiento que la utiliza dentro de una determinada
empresa. Es por ello, que se debe asegurar un elevado nivel de precisin en la previsin
de la demanda de este tipo de productos.
En este artculo se presenta un procedimiento general para la previsin de la demanda de
las piezas de repuesto basado en su fiabilidad operacional a partir de la filosofa que
caracteriza al sistema y considerando la influencia del mismo en el mejoramiento de la
Gestin del Mantenimiento del equipamiento.
Seguimiento de la implantacin del procedimiento.
En consecuencia, el contenido de cada uno de ellos, plantea los pasos a desarrollar para
prever la demanda de piezas de repuesto basado en su fiabilidad, llegndose, en
ocasiones, a definir las tcnicas especficas a utilizar.

Panorama general de los mtodos de pronstico

Fiabilidad: es la probabilidad de que un item (sistema o elemento) realice

satisfactoriamente la misin especificada, durante un perodo determinado y bajo un
conjunto dado de condiciones operativas.
Patrones de Fallos:
Durante dcadas, la sabidura convencional sugera que la mejor forma de optimizar el
desempeo de activos fsicos era restaurarlos o reponerlos a intervalos fijos. Esto se
basaba en la premisa de que hay una correlacin directa entre la cantidad de tiempo
(nmero de ciclos) que el equipo est en servicio, y la probabilidad de que falle, como
muestra la Figura 2. Esto sugiere que la expectativa es que la mayora de los tems
operarn confiablemente por un perodo X, y luego se desgastan.
Proceso de mejora de la previsin de la demanda
El procedimiento comienza con la definicin de la filosofa, la cual debe ser el punto de
mira del sistema ya que constituye la poltica que regir permanentemente su desempeo.
Luego se realiza la determinacin de la situacin actual con el fin de definir, basndose en
el anlisis de una serie de indicadores, las caractersticas que presenta el sistema de
previsin de la demanda en ese momento, para posteriormente, en funcin de dicha
situacin, proponer algunas mejoras que permitan hacer ms eficiente el proceso de
previsin. Una vez planteadas las mejoras, se debe comprobar si con ellas se alcanzan
los niveles de precisin deseados y necesarios y proponer nuevas mejoras si las
anteriores no son suficientes o pasar a la aplicacin de las mismas en caso contrario. La
aplicacin debe estar unida a un seguimiento constante que retroalimente al sistema,
para tomar las medidas necesarias en caso de presentarse alguna perturbacin.

2.6 Pronsticos con computadora

En muchas aplicaciones de los pronsticos a corto plazo, las computadoras son
indispensables. Con frecuencia, las empresas tienen que preparar pronsticos para
cientos o incluso miles de productos o servicios en forma reiterada. Por ejemplo, una
amplia red de instalaciones de servicio mdico necesita calcular pronsticos de la
demanda de cada uno de sus servicios en cada departamento. Esta operacin implica
grandes volmenes de datos que deben ser manipulados con frecuencia. Los analistas
tienen que examinar las series de tiempo que corresponden a cada producto o servicio a
fin de elaborar un pronstico.
Existen muchos paquetes de software para pronstico que pueden usarse en
computadoras de cualquier tamao y ofrecen una amplia variedad de capacidades de
pronstico y de formatos para mostrar los resultados. La tarea ms laboriosa en el
desarrollo de un buen modelo consiste en ajustarlo a los datos. Para esta operacin es
necesario determinar los valores de ciertos parmetros del modelo, a fin de que los
pronsticos tengan la mayor precisin posible. Los paquetes de software proporcionan
diversos grados de ayuda a este respecto. Las tres categoras de paquetes de software
que resultan apropiadas para esto son:
1. Sistemas manuales, en los cuales el usuario selecciona la tcnica de pronstico y
especifica los parmetros necesarios para un determinado modelo de pronstico;
2. Sistemas semiautomticos, en los cuales el usuario especifica la tcnica de pronstico,
pero el software determina los parmetros para el modelo, de modo que puedan
obtenerse los pronsticos ms precisos; y
3. Sistemas automticos, en los cuales el software examina los datos y sugiere no slo la
tcnica apropiada, sino tambin los mejores parmetros para el modelo.